End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization

要約

LiDAR ベースのアプリケーションの既存の学習方法では、事前に定義されたビーム構成でスキャンされた 3D ポイントが使用されます。たとえば、ビームの仰角は多くの場合、均等に分散されます。
これらの固定構成はタスクに依存しないため、単純に使用するとパフォーマンスが最適化されない可能性があります。
この作業では、特定のアプリケーションの LiDAR ビーム構成を最適化する方法を学習するために、新しいルートを使用します。
具体的には、強化学習ベースの最適化学習 (RL-L2O) フレームワークを提案して、さまざまな LiDAR ベースのアプリケーションに対してエンドツーエンドの方法でビーム構成を自動的に最適化します。
最適化は、ターゲット タスクの最終的なパフォーマンスによって導かれるため、この方法は、単純なドロップイン モジュールとして任意の LiDAR ベースのアプリケーションと簡単に統合できます。
この方法は、大規模なシステム展開など、低解像度 (低コスト) の LiDAR が必要な場合に特に役立ちます。
この方法を使用して、3D オブジェクトの検出とローカリゼーションという 2 つの重要なタスクのために、低解像度 LiDAR のビーム構成を検索します。
実験は、提案された RL-L2O メソッドが、ベースライン メソッドと比較して両方のタスクのパフォーマンスを大幅に改善することを示しています。
私たちの方法とプログラム可能なLiDARの最近の進歩を組み合わせることで、LiDARベースの能動的知覚の新しい研究の方向性を開始できると信じています。
コードは https://github.com/vniclas/lidar_beam_selection で公開されています

要約(オリジナル)

Existing learning methods for LiDAR-based applications use 3D points scanned under a pre-determined beam configuration, e.g., the elevation angles of beams are often evenly distributed. Those fixed configurations are task-agnostic, so simply using them can lead to sub-optimal performance. In this work, we take a new route to learn to optimize the LiDAR beam configuration for a given application. Specifically, we propose a reinforcement learning-based learning-to-optimize (RL-L2O) framework to automatically optimize the beam configuration in an end-to-end manner for different LiDAR-based applications. The optimization is guided by the final performance of the target task and thus our method can be integrated easily with any LiDAR-based application as a simple drop-in module. The method is especially useful when a low-resolution (low-cost) LiDAR is needed, for instance, for system deployment at a massive scale. We use our method to search for the beam configuration of a low-resolution LiDAR for two important tasks: 3D object detection and localization. Experiments show that the proposed RL-L2O method improves the performance in both tasks significantly compared to the baseline methods. We believe that a combination of our method with the recent advances of programmable LiDARs can start a new research direction for LiDAR-based active perception. The code is publicly available at https://github.com/vniclas/lidar_beam_selection

arxiv情報

提供元, 利用サービス

arxiv.jp, Google